粒计算是一门快速发展的新兴学科，它主要思想：把复杂信息按照特征和用户需要划分为若干较为简单的块，每个块称为一个信息粒，划分粒的过程称为信息粒化。它以模糊逻辑、粗糙集和商空间为基本理论，主要解决不确定性处理和多粒度计算两大方面的问题。不确定性处理是指对模糊的、不完全的、随机的、不精确的信息及其组合信息进行处理；多粒度计算是从不同的粒度层次上求解问题,并且能够在粒度层次间很容易地相互转换。目前，粒计算理论已经在人工智能、数据挖掘、web智能、图像检索、图像分割等领域得到广泛的应用。　　基于内容的图像检索技术是根据图像的低层次特征进行分析和计算相似度，查找出最符合用户需要的图像集合，图像的低层次特征包括：颜色、纹理、形状和空间结构等。图像分割是把图像中用户感兴趣的区域提取出来，为分析图像、理解图像、检索图像提供十分有用的信息。但是这些传统的图像检索和图像分割方法，仍然不能很好的解决问题。　　本文将粒计算理论应用于基于内容的图像检索技术和图像分割中，对图像边缘信息动态量化、相似度计算、图像过分割区域合并进行了深入研究，并结合粒计算理论，提出了改进的图像检索算法和图像分割算法。主要创新点如下：　　(1)提出一种基于相容粒度空间模型的图像检索方法。利用Canny边缘检测算子提取原始图像的彩色边缘信息，使用相容粒的合并计算方法对图像边缘信息进行动态粒化，根据得到的信息粒计算图像之间的相似度并进行图像检索。　　(2)针对分水岭图像分割算法中的过分割现象，将分水岭与区域合并两种方法相结合，提出了一种改进的分水岭分割算法。该算法首先使用分水岭分割算法对图像进行初始分割；然后针对过分割问题而产生的小图像区域，通过融合颜色特征、边缘信息、邻接关系得到小区域之间的综合区域距离；最后提出小图像区域合并算法，根据综合区域距离对小图像区域进行合并，并通过仿真实验与其他分割算法进行比较与分析。该方法在保证效率的同时，增强了图像分割效果。